Klasik Türk müziğinde makam tanıma için veri madenciliği kullanımı

Didem Abidin; Övünç Öztürk; Tuğba Özacar Öztürk

doi:10.17341/gazimmfd.369557

Klasik Türk müziğinde makam tanıma için veri madenciliği kullanımı

Öz

Müzik eserlerinin sayısal ortama aktarılmasıyla birlikte, bilgisayar bilimleri müzikoloji çalışmalarının içerisinde kendine yer bulmaya başlamıştır. Müzik eserleri bilimsel araştırmalarda veri olarak kullanılmakta ve hesaplamalı müzik alanı bu alanda yapılan çalışmalar ile hızla gelişmektedir. Her ne kadar yapılan çalışmaların büyük bir bölümü sembolik olarak ifade edilmesi daha kolay olan Batı Müziği eserleri üzerine olsa da, Türk Müziği eserleri de artık çeşitli çalışmaların konusu olmaktadır. Türk Müziğinin temeli olan makam sistemi, bilgisayar bilimleri ile uğraşan araştırmacıların dikkatini çekmiş ve Türk Müziği eserleri veri madenciliği, makine öğrenmesi, sınıflandırma gibi çalışmaların konusu olmuştur. Bu çalışmada, bir ses dosyasından nota tanıma ile elde edildiği varsayılan ve 1261 Türk Müziği eserine ait sadece nota dizilerini içeren veri dosyası üzerinde makine öğrenmesi metodu ile makam tahmini yapmaya yönelik deneysel bir çalışma gerçekleştirilmiştir. MusicXML biçimindeki eserlerin makine öğrenmesi uygulamasında kullanılabilmesi amacıyla bir yazılım geliştirilmiş, bu yazılımla makine öğrenmesinde başarımı arttırmak için özgün veri kümesine dört farklı türetilmiş veri sahası eklenmiştir. Sonuç olarak, ‘Rastgele Orman’ algoritması ile makam tanımada %89,7 oranında başarım gözlemlenmiştir.

Anahtar Kelimeler

Makine öğrenmesi,dizi madenciliği,WEKA,random forest,makam tanıma

Kaynakça

1. Benetos E., Dixon S. Giannoulis D., Kirchhoff H. ve Klapuri A., Automatic music transcription: challenges and future directions, Journal of Intelligent Information Systems, 41 (3), 407-434, 2013.
2. O'Brien C. ve Plumbley M., Automatic Music Transcription Using Low Rank Non-Negative Matrix Decomposition, 25th European Signal Processing Conference (EUSIPCO2017), Kos Adası-Yunanistan, 28 Ağustos-2 Eylül, 2017.
3. Sigtia S., Benetos E., Dixon S., An end-to-end neural network for polyphonic piano music transcription, IEEE/ACM Transactions on Audio, Speech and Language Processing (TASLP), 24 (5), 927-939, 2016.
4. Good M., MusicXML for Notation and Anaylsis, Computing in Musicology, 12, 113-124, 2001.
5. MusicXML 3.0 Tutorial, https://wpmedia. musicxml.com. Yayın tarihi Ağustos 10, 2011. Erişim tarihi Şubat 14, 2016.
6. Ganseman J., Scheunders P., D'haes W., Using XQuery on MusicXML Databases for Musicological Analysis, 9. International Society for Music Information Retrieval Conference (ISMIR 2008), Philadelphia-USA, 433-438, 14-18 Eylül, 2008.
7. Uyar B., Atlı H.S., Şentürk S., Bozkurt B., Serra X., A Corpus for Computational Research of Turkish Makam Music, 1. International Workshop on Digital Libraries for Musicology (DLfM), Londra, İngiltere, 1-7, 12 Eylül 2014.
8. Serra X., A Multicultural Approach in Music Information Research, 12. International Society for Music Information Retrieval Conference (ISMIR 2011), Florida-A.B.D., 151-156 , 24-28 Ekim, 2011.

9. Gulati S., Serra J., Ishwar V., Serra X., Mining Melodic Patterns in Large Audio Collections of Indian Art Music, International Conference on Signal Image Technology & Internet Based Systems - Multimedia Information Retrieval and Applications (SITIS 2014), Marakeş-Fas, 23-27 Kasım, 2014.
10. Dunya_Beijing_Opera_https://musicbrainz.org/collection/40d0978b-0796-4734-9fd4-2b3ebe0f664c. Yayın tarihi Haziran 6, 2011. Erişim tarihi Şubat 15, 2016.
11. Arab_Andalusian_Audio_Collection_http://archive.org/search.php?query=arab-andalusian. Yayın tarihi Haziran 6, 2017. Erişim tarihi Eylül 22, 2017.
12. Karaosmanoğlu M.K., A Turkish Makam Music Symbolic Database For Music Information Retrieval: SymbTr, 13. International Society for Music Information Retrieval Conference (ISMIR 2012), Porto-Portekiz, 223-228, 8-12 Ekim, 2012.
13. Turkish Makam Music Symbolic Data Collection. https://github.com/MTG/SymbTr. Yayın tarihi Eylül 28, 2015. Erişim tarihi Şubat 14, 2016.
14. Sierra J., Creating Research Corpora for the Computational Study of Music: the case of the CompMusic Project, AES 53. International Conference on Semantic Audio, Londra-İngiltere, 1-9, 27-29 Ocak, 2014.
15. Haltaş A., Alkan A., Karabulut M., Performance Analysis of Heuristic Search Algorithms in Text Classification, Journal of the Faculty of Engineering and Architecture of Gazi University, 30 (3), 417-427, 2015.
16. Kaya Y. ve Ertuğrul Ö.F., A Novel Feature Extraction Approach for Text Based Language Identification: Binary Patterns, Journal of the Faculty of Engineering and Architecture of Gazi University, 31 (4), 1085-1094, 2016.
17. Çelik C. ve Bilge Ö.Ş., Feature Selection with Weighted Conditional Mutual Information, Journal of the Faculty of Engineering and Architecture of Gazi University, 30 (4), 585-596, 2015.
18. Weihs C., Ligges U., Mörchen F. ve Müllensiefen D., Classification in Music Research, Advances in Data Analysis and Classification, 1 (3), 255-291, 2007.
19. Sigtia S., Lewandowski N.B. ve Dixon S., Audio Chord Recognition with a Hybrid Recurrent Neural Network, 16. International Society for Music Information Retrieval Conference (ISMIR 2015), Malaga-Spain, 127-133, 26-30 Ekim, 2015.
20. Lewandowski N.B., Bengio Y., Vincent P., Audio Chord Recognition with Recurrent Neural Networks, 14. International Society for Music Information Retrieval Conference (ISMIR 2013), Curitiba-Brasil, 335–340, 4-8 Kasım, 2013.
21. Osmalskyj J., Embrechts J-J, Pierard S., Van Droogenbroeck M., Neural Networks for Musical Chords Recognition, Journees d'informatique Musicale (JIM 2012), Mons-Belgium, 39-42, 9-11 Mayıs, 2012.
22. Nasridinov A. ve Park Y.H., A Study on Music Genre Recognition and Classification Techniques, International Journal of Multimedia and Ubiquitous Engineering (IJMUE), 9 (4), 31-42, 2014.
23. Long C., Wong R.C.W., Sze R.K.W., T-Music: A Melody Composer Based on Frequent Pattern Mining, IEEE 29. International Conference on Data Engineering (ICDE), Brisbane-Australia, 1332-1335, 8-11 Nisan, 2013.
24. Koh J.L. ve Yu W.D.C., Efficient Feature Mining in Music Objects, Database and Expert System Applications (DEXA), 2113, Springer, 221-231, 2001.
25. Darabi N., Azimi N., Nojumi H., Recognition of Dastgah and Makam for Persian Music with Detecting Skeletal Melodic Models, 2. IEEE BENELUX/DSP Valley Signal Processing Symposium, Antwerp-Belçika, 28-29 Mart, 2006.
26. Abdoli S., Iranian Traditional Music Dastgah Classification, 12. International Society for Music Information Retrieval Conference (ISMIR 2011), Florida-A.B.D., 275-280, 24-28 Ekim, 2011.
27. Koduri G.K., Gulati S., Rao P., Serra X., Rāga Recognition Based on Pitch Distribution Methods, Journal of New Music Research, 41, 337–350, 2012.
28. Nagavi T.C. ve Bhajantri N.U., Overview of Automatic Indian Music Information Recognition, Classification and Retrieval Systems, International Conference on Recent Trends in Information Systems, 111–116, 2011.
29. Temperley D. ve Marvin E.W., Pitch-Class Distribution and the Identification of Key, Music Perception, 25 (3), 193–212, 2008.
30. Şentürk S., Holzapfel A. ve Serra X., An Approach for Linking Score and Audio Recordings in Makam Music of Turkey, 2. CompMusic Çalıştayı, İstanbul-Türkiye, 95-106, 12-13 Temmuz, 2012.
31. Gedik A.C. ve Bozkurt B., Automatic Classification of Turkish traditional Art Music Recordings by Arel Theory, Conference on Interdisciplinary Musicology (CIM 2008), Selanik-Yunanistan, 2-6 Temmuz, 2008.
32. Gedik A.C. ve Bozkurt B., Pitch-Frequency Histogram-Based Music Information Retrieval for Turkish Music, Signal Processing, 90, Elsevier, 1049-1063, 2010.
33. Şentürk S., Gulati S., Serra, X., Score Informed Tonic Identification for Makam Music of Turkey, 14. International Society for Music Information Retrieval Conference (ISMIR 2013), Curitiba-Brezilya, 4-8 Kasım 2013.
34. Şentürk S., Gulati S., Serra X., Towards Alignment of Score and Audio Recordings of Ottoman-Turkish Makam Music, 4. International Workshop on Folk Music Analysis (FMA), İstanbul-Türkiye, 12-13 Haziran, 2014.
35. Ünal E., Bozkurt B., Karaosmanoğlu M.K., N-Gram Based Statistical Makam Detection on Makam Music in Turkey Using Symbolic Data, 13. International Society for Music Information Retrieval Conference (ISMIR 2012), Porto-Portekiz, 8-12 Ekim, 2012.
36. Jurafsky D. ve Martin J.H., N-Grams, Speech and Language Processing, Pearson Education, 93-136, 2014.
37. Frank E. ve Witten I.H., Data Mining, Morgan Kaufmann Publishers, 2000.
38. Quinlan J.R., C4.5 Programs for Machine Learning, Morgan Kaufmann Publishers, 1993.
39. Vasudevan P., Iterative Dichotomiser-3 Algorithm in Data Mining Applied to Diabetes Database, Journal of Computer Science, 10 (7), Science Publications, 1151-1155, 2014.
40. Cortes C. ve Vapnik V., Support-Vector Networks, Machine Learning 20 (3), 273-297, 1995.
41. Zhang H., The Optimalty of Naive Bayes, 17. International Florida Artificial Intelligence Research Society Conference (FLAIRS 2004), Florida-USA, 562-567, 12-14 Mayıs, 2004.
42. Quinlan J.R., Learning with Continuous Classes, 5. Australian Joint Conference on Artificial Intelligence (AI’92), Hobart-Tazmanya, 343-348, 16-18 Kasım, 1992.
43. Wisaeng K., A Comparison of Different Classification Techniques for Bank Direct Marketing, International Journal of Soft Computing and Engineering (IJSCE), 3 (4), 116-119, 2013.
44. Chauhan Y. ve Vania J., J48 Classifier Approach to Detect Characteristic of Bt Cotton Base on Soil Micro Nutrient, International Journal of Computer Trends and Technology (IJCTT), 5 (6), 305-309, 2013.
45. Kaur G. ve Chhabra A., Improved J48 Classification Algorithm for the Prediction of Diabetes, International Journal of Computer Applications, 98 (22), 13-17, 2014.
46. Capella Music Software. http://www.capella-software.com/us/. Yayın tarihi Mayıs 1, 2016. Erişim tarihi Eylül 22, 2017.
47. Bozkurt B., Ayangil R. ve Holzapfel A., Computational Analysis of Turkish Makam Music: Review of State-of-the-Art and Challenges, Journal of New Music Research, 43 (1), 3-23, 2014.
48. Werckmeister A., Die Musicalische Temperatur, Quedlinburg, Almanya, 1691.
49. T.C. Milli Eğitim Bakanlığı, Müzikte Sistem ve Makamlar, MEGEP (Mesleki Eğitim ve Öğretim Sisteminin Güçlendirilmesi Projesi) Raporu, Ankara-Türkiye, 4-5, 2007.
50. Can M.C., Geleneksel Türk Sanat Müziğinde Arel - Ezgi - Uzdilek Ses Sistemi ve Uygulamada Kullanılmayan Bazı Perdeler, Gaz Üniversitesi Gazi Eğitim Fakültesi Dergisi, 22 (1), 175-181, 2002.
51. Özkan İ.H., Türk Musikisi Sistemi, Türk Musikisi Nazariyatı ve Usulleri Kudüm Velveleleri, Ötüken Neşriyat, İstanbul, Türkiye, 1994.
52. Coşkun C. ve Baykal A., Veri Madenciliğinde Sınıflandırma Algoritmalarının Bir Örnek Üzerinde Karşılaştırılması, XIII. Akademik Bilişim Konferansı Bildirileri, Malatya-Türkiye, 51-58, 2-4 Şubat 2011.
53. DoReMIR Music Research AB. Scorecloud Studio. http://scorecloud.com/download/. Yayın tarihi Aralık 5, 2014. Erişim tarihi Eylül 22, 2017.

Ayrıntılar

Birincil Dil

Türkçe

Konular

Mühendislik

Bölüm

Araştırma Makalesi

Yazarlar

Didem Abidin ^* Bu kişi benim
0000-0001-5966-7537

Övünç Öztürk

Tuğba Özacar Öztürk

Yayımlanma Tarihi

8 Aralık 2017

Gönderilme Tarihi

5 Ağustos 2016

Kabul Tarihi

9 Mayıs 2017

Yayımlandığı Sayı

Yıl 2017 Cilt: 32 Sayı: 4

DOI

https://doi.org/10.17341/gazimmfd.369557

IZ

https://izlik.org/JA52PS22BE

Kaynak Göster

RIS / Bibtex

APA

Abidin, D., Öztürk, Ö., & Özacar Öztürk, T. (2017). Klasik Türk müziğinde makam tanıma için veri madenciliği kullanımı. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 32(4), 1221-1232. https://doi.org/10.17341/gazimmfd.369557

AMA

1.Abidin D, Öztürk Ö, Özacar Öztürk T. Klasik Türk müziğinde makam tanıma için veri madenciliği kullanımı. GUMMFD. 2017;32(4):1221-1232. doi:10.17341/gazimmfd.369557

Chicago

Abidin, Didem, Övünç Öztürk, ve Tuğba Özacar Öztürk. 2017. “Klasik Türk müziğinde makam tanıma için veri madenciliği kullanımı”. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 32 (4): 1221-32. https://doi.org/10.17341/gazimmfd.369557.

EndNote

Abidin D, Öztürk Ö, Özacar Öztürk T (01 Aralık 2017) Klasik Türk müziğinde makam tanıma için veri madenciliği kullanımı. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 32 4 1221–1232.

IEEE

[1]D. Abidin, Ö. Öztürk, ve T. Özacar Öztürk, “Klasik Türk müziğinde makam tanıma için veri madenciliği kullanımı”, GUMMFD, c. 32, sy 4, ss. 1221–1232, Ara. 2017, doi: 10.17341/gazimmfd.369557.

ISNAD

Abidin, Didem - Öztürk, Övünç - Özacar Öztürk, Tuğba. “Klasik Türk müziğinde makam tanıma için veri madenciliği kullanımı”. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 32/4 (01 Aralık 2017): 1221-1232. https://doi.org/10.17341/gazimmfd.369557.

JAMA

1.Abidin D, Öztürk Ö, Özacar Öztürk T. Klasik Türk müziğinde makam tanıma için veri madenciliği kullanımı. GUMMFD. 2017;32:1221–1232.

MLA

Abidin, Didem, vd. “Klasik Türk müziğinde makam tanıma için veri madenciliği kullanımı”. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, c. 32, sy 4, Aralık 2017, ss. 1221-32, doi:10.17341/gazimmfd.369557.

Vancouver

1.Didem Abidin, Övünç Öztürk, Tuğba Özacar Öztürk. Klasik Türk müziğinde makam tanıma için veri madenciliği kullanımı. GUMMFD. 01 Aralık 2017;32(4):1221-32. doi:10.17341/gazimmfd.369557

Cited By

Derin Öğrenme İle Türkçe Müziklerden Müzik Türü Sınıflandırması

European Journal of Science and Technology

https://doi.org/10.31590/ejosat.898588

A classification study for Turkish folk music makam recognition using machine learning with data augmentation techniques

Neural Computing and Applications

https://doi.org/10.1007/s00521-023-09177-6

Examining transposed makams in Turkish music through machine learning: classification of Rengidil-Neveser and Ruhnevaz-Buselik pieces

Journal of New Music Research

https://doi.org/10.1080/09298215.2023.2240756

Classical Turkish Music Composition with LSTM Self-Attention

Journal of Innovative Science and Engineering (JISE)

https://doi.org/10.38088/jise.1406162